Carros e Renda em Sao Paulo

Carros e Renda

São Paulo

A Região Metropolitana de São Paulo abriga cerca de 20 milhões de pessoas e gera mais de 40 milhões de viagens todos os dias.

Segundo Relatório do Metrô as viagens na Região Metropolitana de São Paulo dividem-se da seguinte maneira: um terço das viagens é feita por modos não-motorizados (a pé ou de bicicleta), enquanto dois terços das viagens é feito por modos motorizados. Neste último grupo, 55% das viagens são feitas com modais coletivos (ônibus, metrô, trem) e 45% das viagens são feitas com modais individuais (carro, táxi, moto). Ao todo, as viagens em automóveis particulares (excluindo táxis) representa cerca de 27% de todas as viagens diárias; ou seja, cerca de 1 em cada 4 viagens na RMSP é feita com carro particular.

O diagrama abaixo esquematiza todas as viagens diárias realizadas na RMSP. Vale notar que os dados são de 2017, então muitas das estações das linhas 4-amarela e 5-coral ainda estavam sob construção. Similarmente, as linhas 13-Jade, 15-Prata (monotrilho) ainda não estavam operando. Por simplicidade considerei o universo de todas as viagens: ainda que os deslocamentos casa-trabalho componham a maior parte deste conjunto, inclui-se todo tipo de deslocamento.

Pouco mais da metade dos domicílios na RMSP possui algum automóvel: 53% dos domicílios possui ao menos um carro, enquanto 47% dos domicílios não possui carro particular. Mais especificamente, 43,8% possui somente um carro. Domicílios com 2 automóveis são apenas 8% do total e domicílios com 3 automóveis ou mais são pouco mais de 1% do total.

Na média da RMSP, há x.xx carros por domicílios. Na capital, o número é similar, y.yy. Olhando para os distritos de São Paulo, vemos que os menos “carro-dependentes” são distritos centrais como República e Sé. Distritos de baixa renda média como Parelheiros e Cidade Tiradentes também tem uma baixa razão de carros por domicílio.

Os distritos mais carro-dependentes têm rendas elevadas e estão dentro ou próximos do Centro Expandido da cidade. É curioso notar que bairros verticalizados como Moema e Morumbi aparecem junto com o distrito de Alto de Pinheiros que é majoritariamente composto por residências horizontais. Isto sugere que a verticalização não acompanha menor dependência do automóvel particular.

Olhando os dados no mapa

Automóveis são bens desejados, então a demanda por eles deve aumentar à medida que aumenta a renda de um indivíduo. No jargão econômico, são bens normais. Assim, não surpreende que as regiões com rendas médias mais elevadas também tem uma proporção média de carros por domicílio maior.

# A tibble: 10 × 5
   term           estimate std.error statistic     p.value
   <chr>             <dbl>     <dbl>     <dbl>       <dbl>
 1 (Intercept)     -8.86      0.211    -41.9   0          
 2 log(renda_fa)    1.09      0.0256    42.7   0          
 3 d_has_child0    -0.117     0.0225    -5.20  0.000000199
 4 d_age_11         0.0655    0.0695     0.943 0.346      
 5 d_age_21         0.320     0.0680     4.71  0.00000245 
 6 d_age_31         0.264     0.0674     3.91  0.0000912  
 7 d_age_41         0.247     0.0682     3.63  0.000288   
 8 d_age_51         0.207     0.0686     3.03  0.00249    
 9 d_educ_tert1     0.137     0.0307     4.47  0.00000790 
10 d_is_employed1   0.102     0.0247     4.15  0.0000332  

# A tibble: 10 × 5
   term           estimate std.error statistic    p.value
   <chr>             <dbl>     <dbl>     <dbl>      <dbl>
 1 (Intercept)     -15.4      0.358     -43.0  0         
 2 log(renda_fa)     1.90     0.0434     43.7  0         
 3 d_has_child0     -0.176    0.0378     -4.66 0.00000322
 4 d_age_11          0.127    0.116       1.09 0.274     
 5 d_age_21          0.534    0.113       4.72 0.00000239
 6 d_age_31          0.437    0.112       3.89 0.000100  
 7 d_age_41          0.415    0.114       3.65 0.000260  
 8 d_age_51          0.357    0.114       3.12 0.00182   
 9 d_educ_tert1      0.209    0.0525      3.97 0.0000725 
10 d_is_employed1    0.179    0.0413      4.34 0.0000140 

	Dependent variable:
	d_car_owner
	survey-weighted	survey-weighted
	probit	logistic
	(1)	(2)
log(renda_fa)	1.094***	1.899***
	(0.026)	(0.043)
d_has_child0	-0.117***	-0.176***
	(0.023)	(0.038)
d_age_11	0.065	0.127
	(0.069)	(0.116)
d_age_21	0.320***	0.534***
	(0.068)	(0.113)
d_age_31	0.264***	0.437***
	(0.067)	(0.112)
d_age_41	0.247***	0.415***
	(0.068)	(0.114)
d_age_51	0.207***	0.357***
	(0.069)	(0.114)
d_educ_tert1	0.137***	0.209***
	(0.031)	(0.053)
d_is_employed1	0.102***	0.179***
	(0.025)	(0.041)
Constant	-8.855***	-15.386***
	(0.211)	(0.358)
Observations	30,736	30,736
Log Likelihood	-16,230.300	-16,180.480
Akaike Inf. Crit.	32,480.610	32,380.960
Note:	*p<0.1; **p<0.05; ***p<0.01

Referencias